CN113408772A - 一种基于深度学习的地铁有轨电车人流预测的方法 - Google Patents
一种基于深度学习的地铁有轨电车人流预测的方法 Download PDFInfo
- Publication number
- CN113408772A CN113408772A CN202010183398.2A CN202010183398A CN113408772A CN 113408772 A CN113408772 A CN 113408772A CN 202010183398 A CN202010183398 A CN 202010183398A CN 113408772 A CN113408772 A CN 113408772A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- speed
- moving
- subway
- flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Multimedia (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及轨交管理，尤其是一种基于深度学习的地铁有轨电车人流预测的方法；它包括设置至少三组摄像头，通过行人识别方法识别行人以及计数；通过视觉测速方法识别人流速度；通过深度学习对未来人流进行预测；全部数据来自于摄像头，由于各个站点的地铁通道、闸机、站台等都设置有摄像头，故不需要额外增加地铁运营方的硬件负担；感知包括地铁通道、闸机和站台的人流变化，为决策者提供真实全面的数据，便于决策者给出有效的轨交管控方式。
Description
技术领域
本发明涉及轨交管理，尤其是一种基于深度学习的地铁有轨电车人流预测的方法。
背景技术
现有技术对地铁人流进行监控的方式有两种，一种是通过红外或者微波等主动方式感知人体，从而实现计数；另一种是通过手机、刷卡等被动方式感知人体，从而实现计数。但上述方式均存在缺点，只能确定入闸和出闸的人数。容易理解的，能够入闸和出闸的人流并不会对地铁的管理造成冲击，真正对管理造成冲击的是高峰期高速涌入的人群，受限于闸机的通过量，他们只能排队等候。例如：某站点内正在通过闸机进入的有10人，出去的10人；从地铁通道进入的有100人，出去的10人；列车上车10人、下车100人。按照现有技术的预测，进站出站的人流均保持平稳，然而实际进站和出站都即将形成小高峰，如果不进行干预有可能造成拥堵。另外人群不是机器人，他们的行走速度相差非常大，有些甚至会在地铁站内逗留，故现有技术也无法对人群的整体流速进行预判。
发明内容
针对现有技术的不足，本发明提供一种通过行人识别进行地铁人流预测的方法，它可以感知地铁通道人流进出量和进出流速，并预测未来一定时间内的人流变化。
本发明的技术方案为：
一种基于深度学习的地铁有轨电车人流预测的方法，其特征在于：它包括以下步骤：
1)设置至少三组摄像头，第一组摄像头拍摄地铁通道(进站出站通道，由于进出实际都是同一个通道，故用一组摄像头就能感知一个地铁通道)，第二组摄像头拍摄闸机(包括进出闸)，第三组摄像头拍摄站台(双向，可分别设置)；
2)通过行人识别方法识别行人以及计数；
3)通过视觉测速方法识别人流速度；
4)通过深度学习对未来人流进行预测。
其中步骤2包括以下步骤：
S11获取视频图像，具体来说是获取同一个摄像头不同时间内的视频图像；
S12通过对比相邻两帧视频图像确定视频变化确定视频变化区域，具体来说是将相邻两帧视频图像进行对比，判断是否有辩护区域，若有，则说明视频图像中有移动物体；
S13对移动物体进行识别，如果移动物体的移动速度符合行人移动速度则对该移动物体的图像进行学习和识别，确定该移动物体是否为行人，具体来说是先确定该移动物体的一定速度，判断该移动物体的移动速度是否符合行人移动速度，如果符合则该移动物体可能为行人，则可以对视频图像进行学习和识别，进一步判断该移动物体是否为行人。
其中一个实施例中，步骤3包括以下步骤：
S21接收第一帧视频图像，并进行存储；
S22接收第二帧视频图像，并进行存储；其中，第一帧视频图像和第二帧视频图像是指相邻两帧视频图像；
S23对比第二帧视频图像与第一帧视频图像，判断是否有变化区域，若没有，则执行步骤s24，若有，执行步骤s25；
S24丢弃第一帧视频图像，即将相邻两帧视频图像中前一帧视频图像丢弃，不再执行后续操作；
S25确定行人的移动像素距离；也就是比对行人在两帧视频图像中的位置确定行人的移动像素距离；
S26基于比例参数确定行人的移动真实距离，也就是根据比例尺确定移动像素距离对应的移动真实距离；
S27基于行人的移动真实距离确定行人的移动速度，也就是根据移动真实距离与两帧视频图像拍摄的时间间隔确定行人的移动速度；
S28得到单位时间内所有行人进站的平均速度和出站的平均速度是为人流速度。
另一个实施例中，步骤3包括以下步骤：
S31在视频图像上设置两条平行横线，分别为a和b，a→b为进站方向，b→a为出站方向，由于人流只有进和出两个反向的方向，故行人必然经过两条横线；
S32根据每个行人通过a、b线之间的时间测算出每个行人的速度；
S33计算行人的平均速度为人流速度。
其中步骤4包括以下步骤：
构建GLAT模型，以Seq2Seq模型作为模型基础，引入时间注意力机制对编码器每个时刻的隐含层向量进行关注，将站点各个摄像头组前一段时刻的人流速度输入至GLAT模型中，经计算，输出未来一段时刻的预测人流速度，决策者可根据未来某时间的人流速度选择是否加开列车、是否缩短班次之间的间隔时间、是否加开闸机等。
本发明的有益效果为：全部数据来自于摄像头，由于各个站点的地铁通道、闸机、站台等都设置有摄像头，故不需要额外增加地铁运营方的硬件负担；感知包括地铁通道、闸机和站台的人流变化，为决策者提供真实全面的数据，便于决策者给出有效的轨交管控方式。
具体实施方式
下面结合具体实施方式作进一步说明：
实施例1
一种基于深度学习的地铁有轨电车人流预测的方法，其特征在于：它包括以下步骤：
1)设置至少三组摄像头，第一组摄像头拍摄地铁通道(进站出站通道，由于进出实际都是同一个通道，故用一组摄像头就能感知一个地铁通道)，第二组摄像头拍摄闸机(包括进出闸)，第三组摄像头拍摄站台(双向，可分别设置)；
2)通过行人识别方法识别行人以及计数；
3)通过视觉测速方法识别人流速度；
4)通过深度学习对未来人流进行预测。
其中步骤2包括以下步骤：
S11获取视频图像，具体来说是获取同一个摄像头不同时间内的视频图像；
S12通过对比相邻两帧视频图像确定视频变化确定视频变化区域，具体来说是将相邻两帧视频图像进行对比，判断是否有辩护区域，若有，则说明视频图像中有移动物体；
S13对移动物体进行识别，如果移动物体的移动速度符合行人移动速度则对该移动物体的图像进行学习和识别，确定该移动物体是否为行人，具体来说是先确定该移动物体的一定速度，判断该移动物体的移动速度是否符合行人移动速度，如果符合则该移动物体可能为行人，则可以对视频图像进行学习和识别，进一步判断该移动物体是否为行人。
步骤3包括以下步骤：
S21接收第一帧视频图像，并进行存储；
S22接收第二帧视频图像，并进行存储；其中，第一帧视频图像和第二帧视频图像是指相邻两帧视频图像；
S23对比第二帧视频图像与第一帧视频图像，判断是否有变化区域，若没有，则执行步骤s24，若有，执行步骤s25；
S24丢弃第一帧视频图像，即将相邻两帧视频图像中前一帧视频图像丢弃，不再执行后续操作；
S25确定行人的移动像素距离；也就是比对行人在两帧视频图像中的位置确定行人的移动像素距离；
S26基于比例参数确定行人的移动真实距离，也就是根据比例尺确定移动像素距离对应的移动真实距离；
S27基于行人的移动真实距离确定行人的移动速度，也就是根据移动真实距离与两帧视频图像拍摄的时间间隔确定行人的移动速度；
S28得到单位时间内所有行人进站的平均速度和出站的平均速度是为人流速度。
其中步骤4包括以下步骤：
构建GLAT模型，以Seq2Seq模型作为模型基础，引入时间注意力机制对编码器每个时刻的隐含层向量进行关注，将站点各个摄像头组前一段时刻的人流速度输入至GLAT模型中，经计算，输出未来一段时刻的预测人流速度，决策者可根据未来某时间的人流速度选择是否加开列车、是否缩短班次之间的间隔时间、是否加开闸机等。
实施例2
一种基于深度学习的地铁有轨电车人流预测的方法，其特征在于：它包括以下步骤：
1)设置至少三组摄像头，第一组摄像头拍摄地铁通道(进站出站通道，由于进出实际都是同一个通道，故用一组摄像头就能感知一个地铁通道)，第二组摄像头拍摄闸机(包括进出闸)，第三组摄像头拍摄站台(双向，可分别设置)；
2)通过行人识别方法识别行人以及计数；
3)通过视觉测速方法识别人流速度；
4)通过深度学习对未来人流进行预测。
其中步骤2包括以下步骤：
S11获取视频图像，具体来说是获取同一个摄像头不同时间内的视频图像；
S12通过对比相邻两帧视频图像确定视频变化确定视频变化区域，具体来说是将相邻两帧视频图像进行对比，判断是否有辩护区域，若有，则说明视频图像中有移动物体；
S13对移动物体进行识别，如果移动物体的移动速度符合行人移动速度则对该移动物体的图像进行学习和识别，确定该移动物体是否为行人，具体来说是先确定该移动物体的一定速度，判断该移动物体的移动速度是否符合行人移动速度，如果符合则该移动物体可能为行人，则可以对视频图像进行学习和识别，进一步判断该移动物体是否为行人。
步骤3包括以下步骤：
S31在视频图像上设置两条平行横线，分别为a和b，a→b为进站方向，b→a为出站方向，由于人流只有进和出两个反向的方向，故行人必然经过两条横线；
S32根据每个行人通过a、b线之间的时间测算出每个行人的速度；
S33计算行人的平均速度为人流速度。
其中步骤4包括以下步骤：
构建GLAT模型，以Seq2Seq模型作为模型基础，引入时间注意力机制对编码器每个时刻的隐含层向量进行关注，将站点各个摄像头组前一段时刻的人流速度输入至GLAT模型中，经计算，输出未来一段时刻的预测人流速度，决策者可根据未来某时间的人流速度选择是否加开列车、是否缩短班次之间的间隔时间、是否加开闸机等。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (5)
1.一种基于深度学习的地铁有轨电车人流预测的方法，其特征在于：它包括以下步骤：
1)设置至少三组摄像头，第一组摄像头拍摄地铁通道(进站出站通道，由于进出实际都是同一个通道，故用一组摄像头就能感知一个地铁通道)，第二组摄像头拍摄闸机(包括进出闸)，第三组摄像头拍摄站台(双向，可分别设置)；
2)通过行人识别方法识别行人以及计数；
3)通过视觉测速方法识别人流速度；
4)通过深度学习对未来人流进行预测。
2.根据权利要求1所述的一种基于深度学习的地铁有轨电车人流预测的方法，其特征在于：
其中步骤2包括以下步骤：
S11获取视频图像，具体来说是获取同一个摄像头不同时间内的视频图像；
S12通过对比相邻两帧视频图像确定视频变化确定视频变化区域，具体来说是将相邻两帧视频图像进行对比，判断是否有辩护区域，若有，则说明视频图像中有移动物体；
S13对移动物体进行识别，如果移动物体的移动速度符合行人移动速度则对该移动物体的图像进行学习和识别，确定该移动物体是否为行人，具体来说是先确定该移动物体的一定速度，判断该移动物体的移动速度是否符合行人移动速度，如果符合则该移动物体可能为行人，则可以对视频图像进行学习和识别，进一步判断该移动物体是否为行人。
3.根据权利要求2所述的一种基于深度学习的地铁有轨电车人流预测的方法，其特征在于：步骤3包括以下步骤：
S21接收第一帧视频图像，并进行存储；
S22接收第二帧视频图像，并进行存储；其中，第一帧视频图像和第二帧视频图像是指相邻两帧视频图像；
S23对比第二帧视频图像与第一帧视频图像，判断是否有变化区域，若没有，则执行步骤s24，若有，执行步骤s25；
S24丢弃第一帧视频图像，即将相邻两帧视频图像中前一帧视频图像丢弃，不再执行后续操作；
S25确定行人的移动像素距离；也就是比对行人在两帧视频图像中的位置确定行人的移动像素距离；
S26基于比例参数确定行人的移动真实距离，也就是根据比例尺确定移动像素距离对应的移动真实距离；
S27基于行人的移动真实距离确定行人的移动速度，也就是根据移动真实距离与两帧视频图像拍摄的时间间隔确定行人的移动速度；
S28得到单位时间内所有行人进站的平均速度和出站的平均速度是为人流速度。
4.根据权利要求2所述的一种基于深度学习的地铁有轨电车人流预测的方法，其特征在于：
步骤3包括以下步骤：
S31在视频图像上设置两条平行横线，分别为a和b，a→b为进站方向，b→a为出站方向，由于人流只有进和出两个反向的方向，故行人必然经过两条横线；
S32根据每个行人通过a、b线之间的时间测算出每个行人的速度；
S33计算行人的平均速度为人流速度。
5.根据权利要求3或者4任意一项所述的一种基于深度学习的地铁有轨电车人流预测的方法，其特征在于：其中步骤4包括以下步骤：
构建GLAT模型，以Seq2Seq模型作为模型基础，引入时间注意力机制对编码器每个时刻的隐含层向量进行关注，将站点各个摄像头组前一段时刻的人流速度输入至GLAT模型中，经计算，输出未来一段时刻的预测人流速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010183398.2A CN113408772A (zh) | 2020-03-16 | 2020-03-16 | 一种基于深度学习的地铁有轨电车人流预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010183398.2A CN113408772A (zh) | 2020-03-16 | 2020-03-16 | 一种基于深度学习的地铁有轨电车人流预测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113408772A true CN113408772A (zh) | 2021-09-17 |
Family
ID=77676609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010183398.2A Pending CN113408772A (zh) | 2020-03-16 | 2020-03-16 | 一种基于深度学习的地铁有轨电车人流预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113408772A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106940790A (zh) * | 2017-03-13 | 2017-07-11 | 重庆文理学院 | 一种人流拥塞预测方法及系统 |
| CN109902880A (zh) * | 2019-03-13 | 2019-06-18 | 南京航空航天大学 | 一种基于Seq2Seq生成对抗网络的城市人流预测方法 |
| CN109960961A (zh) * | 2017-12-14 | 2019-07-02 | 中国电信股份有限公司 | 行人识别方法和装置 |
| CN110648527A (zh) * | 2019-08-20 | 2020-01-03 | 浙江工业大学 | 一种基于深度学习模型的交通速度预测方法 |
-
2020
- 2020-03-16 CN CN202010183398.2A patent/CN113408772A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106940790A (zh) * | 2017-03-13 | 2017-07-11 | 重庆文理学院 | 一种人流拥塞预测方法及系统 |
| CN109960961A (zh) * | 2017-12-14 | 2019-07-02 | 中国电信股份有限公司 | 行人识别方法和装置 |
| CN109902880A (zh) * | 2019-03-13 | 2019-06-18 | 南京航空航天大学 | 一种基于Seq2Seq生成对抗网络的城市人流预测方法 |
| CN110648527A (zh) * | 2019-08-20 | 2020-01-03 | 浙江工业大学 | 一种基于深度学习模型的交通速度预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103324977B (zh) | 一种目标数量检测方法和设备 | |
| KR100831122B1 (ko) | 얼굴 인증 장치, 얼굴 인증 방법, 및 출입 관리 장치 | |
| CN101506077B (zh) | 用于在目的地登记调度操作中执行安全跟踪的匿名乘客标引系统 | |
| US20120020518A1 (en) | Person tracking device and person tracking program | |
| CN111553314B (zh) | 一种城市轨道交通乘客指引系统及指引方法 | |
| JP6640988B2 (ja) | 列車降車人数予測システム、混雑可視化・評価システム、および乗車可能人数算出システム | |
| CN109584567A (zh) | 基于车路协同的交通管理方法 | |
| JPH11275562A (ja) | 移動人物監視装置 | |
| KR20070059944A (ko) | 주차 관리 시스템 | |
| JP5748468B2 (ja) | ホーム状況検知装置 | |
| CN103793958B (zh) | 自动检票方法及自动检票装置 | |
| KR20160126110A (ko) | 열차의 승강장 정차시간 자동 산출 서버, 시스템 및 방법 | |
| CN113034894A (zh) | 一种etc门架系统、高速公路路段封闭预警方法及装置 | |
| JP2016168876A (ja) | 混雑予測装置及び混雑予測方法 | |
| CN106541968A (zh) | 基于视觉分析的地铁车厢实时提示系统及识别方法 | |
| WO2023164983A1 (zh) | 地铁车站全息客流实时监测方法及装置及计算机设备 | |
| CN112850436A (zh) | 一种电梯智能光幕的行人趋势检测方法及系统 | |
| CN106156695A (zh) | 出口和/或入口区域识别方法和装置 | |
| CN114612860A (zh) | 基于计算机视觉的轨道交通站内客流识别与预测方法 | |
| CN112232210A (zh) | 一种人员流量分析方法和系统、电子设备和可读存储介质 | |
| KR100900494B1 (ko) | 이동체 움직임 추적 시스템 및 그 제어방법 | |
| CN113408772A (zh) | 一种基于深度学习的地铁有轨电车人流预测的方法 | |
| CN108109304B (zh) | 一种地铁站台入侵者识别系统及识别方法 | |
| CN113343960A (zh) | 一种地铁站内实时留存客流估计与预警方法 | |
| KR101200028B1 (ko) | 초소형 ｒｆｉｄ 태그를 이용한 무임승차자 추적 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |